Aplikasi Transformasi Wavelet Untuk Menghilangkan Derau

Pada Sinyal Peluahan Sebagian

Swastiti Vinana Sari1, Achmad Hidayatno2, Abdul Syakur2
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro,
Jl. Prof. Sudharto, Tembalang, Semarang, Indonesia

Abstrak-Beberapa
teknik
yang
biasa
digunakan untuk menghilangkan derau (denoising)
pada sinyal antara lain analisis sinyal dalam kawasan
waktu (Shanon), kawasan frekuensi (Fourier), STFT
(Gabor). Meskipun dengan STFT telah diperoleh
representasi sinyal dalam domain frekuensi dan waktu
secara bersamaan, namun terdapat masalah ketajaman
(resolution)
yang
dikenal
dengan
prinsip
ketidakpastian. Menurut prinsip ketidakpastian tersebut
tidak dapat diketahui dengan tepat, representasi
frekuensi - waktu dari suatu sinyal, dalam pengertian
tidak dapat diketahui dengan akurat komponen
frekuensi berapa saja yang terdapat pada suatu waktu.
Informasi yang mungkin untuk diketahui adalah
informasi pada rentang waktu yang mana terdapat
rentang frekuensi tertentu. Wavelet dengan analisis
multiresolusi dapat memecahkan permasalahan
resolusi karena kemampuannya dalam menganalisis
sinyal dalam berbagai resolusi, sehingga sinyal dapat
dianalisis lebih detail.
Peluahan sebagian atau yang biasa dikenal
sebagai Partial Discharge (PD) menyebabkan
penurunan isolasi material dan mempengaruhi umur
dari peralatan dan kabel tegangan tinggi. Untuk itu,
sangat penting untuk mengetahui karakteristik PD
suatu isolasi. Pengukuran yang dipengaruhi
interferensi elektromagnetik akan menjadikan deteksi
sinyal peluahan sebagian menjadi sangat sulit karena
banyak menimbulkan derau.
Dalam tugas akhir ini dibangun sebuah sistem
yang membantu dalam memperbaiki kualitas
pendeteksian peluahan sebagian menggunakan teknik
Wavelet untuk menghilangkan derau yang didapat
selama pengukuran. Kualitas sinyal hasil denoising
dapat dibandingkan dengan mengacu pada SNR,
dimana pada tugas akhir ini SNR terbaik dimiliki oleh
wavelet Haar dan Sym1.
Kata Kunci : Wavelet, derau, peluahan
sebagian.

diharapkan tidak sesuai. Pada dasarnya derau tersebut

dapat dihilangkan. Begitu juga derau yang terdapat dalam
tugas akhir ini yang mengakibatkan penerimaan sinyal
menjadi jelek, hal ini dapat diketahui dari hasil
penerimaan sinyal partial discharge yang masih berderau
sehingga menyulitkan dalam pendeteksiannya.
Secara
umum,
teknik
utama
untuk
menghilangkan derau dari sinyal peluahan sebagian bisa
diwujudkan dengan domain waktu atau dalam domain
frekuensi (dengan menggunakan transformasi Fourier
untuk merekam kejadian peluahan sebagian ketika
peluahan sebagian dan derau dihadirkan dalam
karakteristik frekuensi yang berbeda). Namun ketika
sinyal diproses dalam domain frekuensi, informasi
domain waktu menjadi hilang. Untuk mengatasi
kelemahan tersebut sehingga dikembangkan transformasi
Wavelet yang dapat menyediakan informasi dalam
domain waktu dan frekuensi.

I. PENDAHULUAN
1.1 Latar Belakang
Tujuan mengakuisisi data adalah agar data hasil
akuisisi, dapat dianalisis lebih lanjut. Namun dalam
sistem akuisisi, seringkali ada derau (noise) yang datang
dari berbagai macam sumber yang merusak kualitas data
di penerima, akibatnya seringkali informasi yang

II.
DASAR TEORI
2.1 Derau (Noise)[1]

1.2 Tujuan
Tujuan
dari
tugas
akhir
ini
ialah
mengaplikasikan program transformasi Wavelet untuk
menghilangkan derau pada sinyal peluahan sebagian.
1.3 Batasan Masalah
Pembuatan tugas akhir ini ditekankan pada hal-hal
berikut:
1. Sumber derau yang dihilangkan berasal dari alat
akuisisi.
2. Tidak
membahas
peluahan
sebagian/partial
discharge secara mendetail.
3. Tidak membahas teknik-teknik denoising (selain
Wavelet) secara mendetail.
4. Tipe-tipe Wavelet terhadap hasil denoising.
5. Perhitungan SNR.
6. Tidak membahas teknik pengukuran.
7. Tidak membahas stabilitas sistem.
8. Program simulasi ini menggunakan pemrograman
Matlab 7.

Penerimaan sinyal dalam suatu sistem dapat

dirusak oleh derau (noise), yang mungkin berasal dari
bermacam-macam sumber. Misalnya, sistem alat ukur
1

1.
2.

Mahasiswa Teknik Elektro UNDIP

Dosen Teknik Elektro UNDIP

yang deraunya disebabkan oleh rangkaian alat ukur yang

tidak benar, yang pada prinsipnya bisa diperbaiki.
Begitu juga derau yang terdapat dalam tugas
akhir ini yang mengakibatkan penerimaan sinyal menjadi
jelek, hal ini dapat diketahui dari hasil penerimaan sinyal
partial discharge yang berderau sehingga menyulitkan
dalam pendeteksiannya.

2.4.3 Wavelet Coiflet

Wavelet Coiflet memiliki nama pendek Coif,
dan untuk orde N dituliskan dengan CoifN. Panjang tapis
Wavelet Coiflet adalah 6N.

2.2 Peluahan Sebagian (Partial Discharge Atau PD )[2]

Definisi dari peluahan sebagian atau partial
discharge yang disingkat PD menurut Dieter Kind,
Herman K, dan Aris Munandar adalah peluahan listrik
yang hanya menjembatani sebagian isolasi di antara
konduktor dan yang mungkin terjadi dekat dengan
konduktor. Sedangkan menurut G.J. Paoleti dan A.
Golubev menyebutkan bahwa partial discharge adalah
pulsa listrik atau peluahan pada void yang berisi gas atau
pada suatu permukaan dielektrik suatu sistem isolasi
padat maupun cair yang hanya sebagian menjembatani
gap antara isolasi fasa ke ground, atau fasa ke fasa
isolasi.

Gambar 2.3 Wavelet Coiflet

2.4.4 Wavelet Symlet

Wavelet Symlet memiliki nama pendek sym,
untuk orde N dituliskan dengan SymN. Wavelet Symlet
memiliki orde N=2,,45. Panjang tapis untuk Wavelet
Symlet adalah 2N.

Gambar 2.4 Wavelet Symlet

2.3 Teori Wavelet [6]

Kata Wavelet dikemukakan oleh Morlet dan
Grossmann pada awal tahun 1980. Dalam bahasa Prancis
ondelette yang berarti gelombang kecil. Dan setelah itu
dalam bahasa Inggris kata onde diganti menjadi wave
sehingga menjadi Wavelet.

2.5 Pengambangan (Thresholding)[18]

Dua aturan umumnya digunakan untuk
thresholding koefisien Wavelet adalah thresholding lunak
dan keras. Bila menyatakan ambang/threshold maka
sinyal threshold hard ( keras) adalah:

2.4 Tipe Wavelet[7]

2.4.1 Wavelet Haar
Wavelet Haar adalah Wavelet yang paling tua
dan sederhana. Wavelet Haar sama dengan Wavelet Db1
(Daubechies orde 1). Panjang tapis Wavelet Haar adalah
2.
(a)

(b)

(c)

Gambar 2.5 (a) Sinyal asli (b) Sinyal hasil thresholding keras (c) Sinyal
hasil thresolding lunak

2.6 Tapis Wavelet

Wavelet dibentuk menggunakan tapis-tapis FIR
low-pass dan high-pass. Keluaran dari tapis-tapis lowpass dan high-pass ini dapat dinyatakan secara matematis
oleh:
yHP[k] = u[m] . g[2k m] (2.1)
yLP[k] = u[m] . h[2k m] (2.2)
Invers DWT kemudian digunakan untuk
membangun kembali sinyal ke sinyal asli dengan tidak
kehilangan informasi.
Keluaran dari tapis-tapis low-pass dan high-pass
dalam tahap rekonstruksi sinyal dapat dinyatakan oleh:

Gambar 2.1 Wavelet Haar

2.4.2 Wavelet Daubechies

Wavelet Daubechies memiliki nama pendek Db,
dan untuk orde N dituliskan dengan dbN. Orde Wavelet
Daubechies adalah N=1 atau Haar, N=2,, N=45.
Panjang tapis Wavelet daubechies adalah 2N.

u[m] =

{yHP(k). g[2k m] + yLP(k). h[2k m]}.(2.3)

III.
PERANCANGAN PROGRAM
3.1 Diagram Alir
Secara garis besar perangkat lunak yang akan
dirancang memiliki diagram alir seperti yang ditunjukkan
pada Gambar 3.1.

Gambar 2.2 Wavelet Daubechies

dengan sinyal hasil denoising. Berikut rumus

perbandingan daya sinyal terhadap daya derau:
S/N = 10 log
dB (3.1)

Mulai

Masukkan
sinyal PD

IV.
PENGUJIAN
4.1 Parameter Level Dekomposisi
Penentuan level dekomposisi merupakan tahap
coba-coba untuk mendapatkan hasil terbaik, setelah level
dekomposisi ditentukan, langkah selanjutnya adalah
menentukan besar thresholding yang merupakan tahapan
yang kritis jika nilainya terlalu kecil akan mengakibatkan
derau tidak hilang secara sempurna sedangkan jika nilai
yang diberikan terlalu besar akan mengakibatkan
penurunan SNR. Sebagai sinyal uji akan digunakan
sinyal uji 5kv90_11. Metode pengamatan yang
digunakan adalah dengan membandingkan SNR terbaik
per level dekomposisi.
Pengamatan yang dilakukan adalah dengan
menggunakan dekomposisi maksimal tiap Wavelet yaitu,
untuk Wavelet Haar dengan level dekomposisi
maksimalnya adalah 11 level, untuk Wavelet Db2 dengan
level dekomposisi maksimalnya adalah 9 level, untuk
Wavelet Sym3 dengan level dekomposisi maksimalnya
adalah 8 level dan untuk Wavelet Coif3 dengan level
dekomposisi maksimalnya adalah 7 level.

Pilih Wavelet
dekomposisi

Masukkan
nilai
threshold

Apakah sinyal PD
sudah bebas derau?

Tidak

Ya
Rekonstruksi
sinyal

Selesai

Gambar 3.1 Bagan alir penghilangan derau pada sinyal

3.2 Dekomposisi
Pada proses dekomposisi menggunakan 12 jenis
wavelet yaitu Haar (sama dengan Db1, Db2, Db3, Db4,
Sym1, Sym2, Sym3, Sym4, Coif1, Coif2, Coif3 dan Coif4.
Level dekomposisi maksimal tiap wavelet berbeda-beda.
Level dekomposisi maksimal tiap wavelet dapat dicari
dengan perintah l = wmaxlev(s,w). s merupakan
panjang sinyal dan w merupakan tipe wavelet.

Dekomposisi 11 Level
Wavelet Haar dengan Level Dekomposisi Maksimal
11.
Pertama-tama load sinyal 5kv90_11, kemudian
akan terlihat seperti pada gambar di bawah ini.

3.3 Pengambangan (Thresholding)

Pengambangan dilakukan untuk setiap level dari
1
sampai
11,
dengan menerapkan dua mode
thresholding yaitu hard thresholding
dan
soft
tresholding. Metode yang dilakukan adalah dengan
mengatur thresholding dengan dasar kasus-perkasus.
Pemilihan pengambangan ini bersifat kritis,
jika threshold terlalu kecil atau terlalu besar akan
mengakibatkan derau tidak hilang secara sempurna.
Thresholding yang kurang tepat akan menyebabkan hasil
denoising yang tidak memuaskan atau distorsi yang
cukup besar.

Gambar 4.1 Sinyal 5kv90_11 berderau

Dapat dilihat pada gambar di atas sinyal PD sebelum didenoising masih berderau.
Dekomposisi level 1
Langkah berikutnya dilakukan denoising dengan
Wavelet Haar dengan dekomposisi level 1 dengan nilai
thresholding 3927.

3.4 Denoising
Proses denoising akan melakukan proses
penghilangan derau, kemudian akan direkonstruksi
kembali sinyal, setelah terlebih dahulu di-thresholding.
3.5 Perhitungan Signal to Noise Ratio (SNR)
Pada Tugas Akhir ini digunakan 2 macam
kriteria penilaian sinyal, yaitu SNR dan membandingkan
sinyal. Pada proses perbandingan kriteria pemilihan
sinyal, sinyal yang dibandingkan adalah sinyal masukan

Gambar 4.2 Dekomposisi Haar level 1

Denoising dengan Wavelet Haar dengan dekomposisi

level 1 tampak derau sudah mulai berkurang.

Dekomposisi Level 2
Dekomposisi pada level 2 dengan nilai threshold
2099, menghasilkan sinyal sebagai berikut.

Dekomposisi Level 6
Dekomposisi pada level 6 dengan nilai threshold
1137, menghasilkan sinyal sebagai berikut.

Gambar 4.3 Dekomposisi Haar level 2

Gambar 4.7 Dekomposisi Haar level 6

Dekomposisi pada level 2 memperlihatkan derau yang

semakin berkurang dibandingkan dengan dekomposisi
level 1

Dekomposisi pada level 6 memperlihatkan sinyal yang

semakin halus dibandingkan level 5.
Dekomposisi Level 7
Dekomposisi pada level 7 dengan nilai threshold
1326, menghasilkan sinyal sebagai berikut.

Dekomposisi Level 3
Dekomposisi pada level 3 dengan nilai threshold
1587, menghasilkan sinyal sebagai berikut.

Gambar 4.4 Dekomposisi Haar level 3

Gambar 4.8 Dekomposisi Haar level 7

Dekomposisi Level 8
Dekomposisi pada level 8 dengan nilai threshold
1044, menghasilkan sinyal sebagai berikut.

Dekomposisi pada level 3 memperlihatkan derau yang

semakin berkurang dibandingkan dengan dekomposisi
level 2.
Dekomposisi Level 4
Dekomposisi pada level 4 dengan nilai threshold
1531, menghasilkan sinyal sebagai berikut.

Gambar 4.9 Dekomposisi Haar level 8

Dekomposisi Level 9
Dekomposisi pada level 9 dengan nilai threshold
758, menghasilkan sinyal sebagai berikut.
Gambar 4.5 Dekomposisi Haar level 4

Dekomposisi pada level 4 memperlihatkan derau yang

semakin berkurang dibandingkan dengan dekomposisi
level 3.
Gambar 4.10 Dekomposisi Haar level 9

Dekomposisi Level 5
Dekomposisi pada level 5 dengan nilai threshold
1065, menghasilkan sinyal sebagai berikut.

Dekomposisi Level 10
Dekomposisi pada level 10 dengan nilai
threshold 437, menghasilkan sinyal sebagai berikut.

Gambar 4.11 Dekomposisi Haar level 10

Gambar 4.6 Dekomposisi Haar level 5

Pada dekomposisi level 5 sinyal sudah semakin halus.

Tabel 4.2 Perbandingan SNR 2 mode

Sinyal
SNR
sebelum Mode
denoising (dB)
thresholding
5kv10_1
-38,4523
Hard
Soft
5kv30_60
-39,7805
Hard
Soft
5kv90_11
-27,8225
Hard
Soft

Dekomposisi Level 11
Dekomposisi pada level 11 dengan nilai
threshold 300, menghasilkan sinyal sebagai berikut.

Dapat dilihat dari tabel di atas dapat bahwa

setelah dilakukan denoising untuk 3 sinyal uji yaitu
sinyal 5kv10_1, 5kv30_60, dan 5kv90_11, SNR pada
mode hard memberikan hasil lebih baik, sehingga
disimpulkan bahwa thresholding mode hard lebih baik
daripada mode soft.

Gambar 4.12 Dekomposisi Haar level 11

Dari gambar dapat dilihat bahwa semakin tinggi

level dekomposisinya maka perolehan sinyal hasil
denoising semakin bagus, hal ini juga ditunjukkan oleh
SNRnya. SNR terbaik ditunjukkan oleh dekomposisi
Haar pada level 11. Berikut tabel perbandingan SNR.

4.3 Parameter Jenis Wavelet

Dengan sinyal yang uji yang sama yaitu sinyal
5kv30_60, 5kv10_1 dan 5kv90_11, akan dapat dilihat
beberapa pengaruh tipe Wavelet terhadap hasil denoising.
Pengujian dilakukan dengan melihat hasil denoising
beberapa tipe Wavelet yaitu Haar, Db2, Db3, Db4, Sym1,
Sym2, Sym3,Sym4, Coif1, Coif2, Coif3, dan Coif4.

Tabel 4.1 Perbandingan SNR Wavelet Haar dekomposisi level 1-11

dengan sinyal uji 5kv90_11
SNR
SNR
sebelum
setelah
Mode
Dekomposisi
denoising denoising
Wavelet
thresholding
Level ke(dB)
(dB)

Haar

-5,3454

-5,1879

-4,1871

-1,4168

0,51794

Hard

-27,8225

4,1979

8,325

9,6559

12,2831

10

15,6173

11

15,6173

SNR
setelah
denoising (dB)
3,5108
-8,269
-4,4643
-19,0379
9,6559
1,4158

Sinyal 5kv10_1
Sinyal uji yang digunakan adalah 5kv10_1
kemudian akan dilihat beberapa pengaruh tipe Wavelet
secara visual terhadap hasil denoising. Pengujian
dilakukan dengan melihat hasil denoising dengan
beberapa tipe Wavelet yaitu Haar, Db2, Db3, Db4, Sym1,
Sym2, Sym3, Sym4, Coif1, Coif2, Coif3, dan Coif 4.
Pertama-tama tampak dalam gambar 4.22 sinyal
sebelum di-denoising

Jika dibandingkan dengan pengamatan subyektif

hasil yang ditampilkan telah sesuai dengan perbandingan
SNRnya. Yaitu makin tinggi level dekomposisi maka
menghasilkan SNRnya yang semakin baik. Begitu juga
dengan pengamatan subyektif jika level dekomposisi
semakin baik maka gambar sinyal yang dihasilkan
semakin baik. Pengamatan obyektif memberikan hasil
terbaik pada dekomposisi Haar pada level maksimalnya
yaitu level 11.

Gambar 4.13 Sinyal 5kv10_1 sebelum denoising

Sinyal 5kv10_1 akan di-denoising dengan

Wavelet Haar dengan dekomposisi 11 level, sedangkan
Wavelet Db2, Db3, Db4, Sym1, Sym2, Sym3, Sym4, dan
Coif1 akan menggunakan level dekomposisi yang sama,
yaitu 8 level dekomposisi dengan nilai thresholding yang
sama. Wavelet Coif2, Coif3 akan menggunakan level
dekomposisi sebanyak 7 level, sedangkan Wavelet Coif4
akan menggunakan 6 level dekomposisi. Hasilnya
kemudian akan dibandingkan pada gambar-gambar di
bawah:
Wavelet Haar

4.2 Parameter Mode Threshold

Pemilihan mode threshold yang terbaik
dilakukan dengan mengamati SNR sebelum dan sesudah
denoising. Penentuan besar thresholding merupakan
tahapan yang kritis jika nilainya terlalu kecil akan
mengakibatkan derau tidak hilang secara sempurna
sedangkan jika nilai yang diberikan terlalu besar akan
mengakibatkan nilai SNR berkurang.

Gambar 4.14 Sinyal 5kv10_1 denoising dengan Wavelet Haar

Wavelet Db2
Wavelet Coif1

Gambar 4.15 Sinyal 5kv10_1 denoising dengan Wavelet Db2

Gambar 4.22 Sinyal 5kv10_1 denoising dengan Wavelet Coif1

Wavelet Db3

Wavelet Coif2

Gambar 4.16 Sinyal 5kv10_1 denoising dengan Wavelet Db3

Gambar 4.23 Sinyal 5kv10_1 denoising dengan Wavelet Coif2

Wavelet Db4

Wavelet Coif3

Gambar 4.17 Sinyal 5kv10_1 denoising dengan Wavelet Db4

Gambar 4.24 Sinyal 5kv10_1 denoising dengan Wavelet Coif3

Wavelet Sym1

Wavelet Coif4

Gambar 4.18 Sinyal 5kv10_1 denoising dengan Wavelet Sym1

Gambar 4.25 Sinyal 5kv10_1 denoising dengan Wavelet Coif4

Wavelet Sym2

Pada pengamatan hasil denoising pada gambargambar di atas, dapat dilihat bahwa Wavelet Haar dan
Sym1 memberikan hasil yang lebih baik dibandingkan
dengan Wavelet lainnya. Langkah selanjutnya akan
digunakan perbandingan SNR untuk mengetahui Wavelet
mana yang memberikan SNR terbaik. Berikut SNR
masing-masing Wavelet dapat diringkas dalam tabel
berikut:

Gambar 4.19 Sinyal 5kv10_1 denoising dengan Wavelet Sym2

Wavelet Sym3

Tabel 4.3 SNR masing-masing Wavelet untuk sinyal 5kv10_1

Nama
Jenis
Jumlah
SNR
SNR
Sinyal
Wavelet
dekomposisi
sebelum
sesudah
denoising
denoising
(dB)
(dB)
5kv10_1
Haar
11 level
-38,4523
0,078928
Db2
8 level
-12,7042
Db3
8 level
-11,1966
Db4
8 level
-12,2382
Sym1
8 level
-0,97837
Sym2
8 level
-12,7042
Sym3
8 level
-11,1966
Sym4
8 level
-12,7236
Coif1
8 level
-15,6844
Coif2
7 level
-18,7104
Coif3
7 level
-19,3689
Coif4
6 level
-19,3589

Gambar 4.20 Sinyal 5kv10_1 denoising dengan Wavelet Sym3

Wavelet Sym4

Gambar 4.21 Sinyal 5kv10_1 denoising dengan Wavelet Sym4

Pada tabel 4.1, Sinyal 5kv10_1 yang didenoising dengan Wavelet Haar dengan dekomposisi 11
level memberikan hasil terbaik yaitu 0,078928 dB,
kemudian diikuti dengan Wavelet Sym1 dengan -0,97837
dB, sedangkan SNR untuk Wavelet lainnya memberikan
hasil yang sangat kecil.

DAFTAR PUSTAKA
1.

2.

V. PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian mengenai aplikasi
transformasi Wavelet untuk menghilangkan derau pada
sinyal partial discharge dapat disimpulkan beberapa hal
sebagai berikut:
1. Penentuan level dekomposisi merupakan tahap
coba-coba untuk mendapatkan hasil terbaik.
Secara
umum,
semakin
tinggi
level
dekomposisinya menghasilkan SNR yang
semakin baik.
2. Penentuan besar thresholding merupakan
tahapan yang kritis jika nilainya terlalu kecil
akan mengakibatkan derau tidak hilang secara
sempurna sedangkan jika nilai yang diberikan
terlalu besar akan mengakibatkan nilai SNR
berkurang
3. Secara umum thresholding mode hard
memberikan hasil SNR yang lebih baik
dibandingkan thresholding mode soft.
4. Jenis wavelet terbaik didapat dari jenis wavelet
yang memberikan SNR terbaik. Dari ketiga
sinyal uji yang memberikan hasil yang paling
baik adalah Haar dan Sym1.

3.

4.
5.
6.
7.

8.

Roddy, Dennis, Coolen, John, dan Idris, Kamal,

Komunikasi
Elektronika,Erlangga.Ciracas.Jakarta.1984.
Santoro, Karakteristik Peluahan Sebagian
Pada Model Void Berdasarkan Fungsi Waktu
Dalam Polyvinyl Chloride (PVC) Menggunakan
Elektroda Metode II CIGRE, Tugas Akhir S-1,
Universitas Diponegoro, Semarang 2007.
Burrus, C. Sidney, Gopinath, Ramesh A. dan
Guo, Haitao, Introduction to Wavelets and
Wavelet Transfoem, Prentice Hall, New Jersey,
1998.
Sugiharto, Aris, Pemrograman GUI dengan
MATLAB,Andi Offset. Yogyakarta. 2006.
Users GuideSignal Processing Toolbox The.
Mathworks.2002
_____, http://www.wikipedia.org
Rahmawati, Indah, Pemampat Data Citra
Digital Aras Keabuan dengan Alihragam
Wavelet Paket Melalui Penyandian Huffman
Menggunakan Delphi Tugas Akhir S-1,
Universitas Diponegoro, Semarang, 2005.
Users Guide MATLAB 7,___.
BIOGRAFI PENULIS

Penulis yang bernama lengkap Swastiti

Vinana Sari lahir di Klaten, 4 Februari
1985. Menjalani jenjang pendidikan di
SDN 9 Ampenan,Mataram, SMPN 1
Denpasar, SMUN 1 Denpasar. Dan
sekarang
tengah
menyelesaikan
pendidikan Strata Satu di Jurusan
Teknik Elektro, Fakultas Teknik,
Universitas Diponegoro, Semarang,
Konsentrasi
Elektronika
Telekomunikasi.

5.2 Saran
Berikut ini beberapa saran bagi para pembaca
yang berminat untuk mengembangkan penelitian tentang
denoising menggunakan teknik Wavelet.
1. Untuk ke depan sebaiknya meluaskan metode
penelitian yaitu dalam hal pengambilan data dan
teknik pengukuran.
2. Pada waktu pengambilan data sebaiknya
melakukan kalibrasi yang tepat sehingga
akuisisi
datanya
tepat
juga
sehingga
menghasilkan data yang valid.
3. Perlu adanya pengambilan data berupa sinyal
referensi dan noise referensi pada waktu
pengukuran, hal ini berguna untuk menguji
kesamaan dua buah sinyal dengan metode cross
correlation.
4. Mengingat belum adanya penelitian tentang
kevalidan data maka untuk yang akan datang
dilakukan uji coba menggunakan PD calibrator
yang berguna untuk membuktikan sinyal yang
direkonstruksi adalah sinyal PD atau bukan.

Mengetahui,

Dosen Pembimbing I,

Dosen Pembimbing II,

Achmad Hidayatno, ST, MT

NIP. 132 137 933

Abdul Syakur, ST., MT.

NIP. 132 231 132